实证资产定价（Empirical asset pricing）已经发布于Github和Pypi. 包的具体用法(Documentation)博主将会陆续在CSDN中详细介绍，也可以通过Pypi直接查看。
Pypi: pip install --upgrade EAP
Github: GitHub - whyecofiliter/EAP: empirical asset pricing
————————————————
价值投资通常是“以合理的价钱买入优质的公司要远胜于以便宜的价钱买入一般的公司”。有两种价值投资，一种是价值因子投资，价值因子投资是通过估值类指标进行股票选择，容易选出“伪价值”股。另一种是在价值因子上，将基本面考虑进来，关注公司未来的盈利能力和成长能力，试图找到优质且便宜的股票。在对基本面的研究中，和因子投资结合最为紧密的是Piotroski (2000)的F-score和Mohanram ()的G-score。
本文以Piotroski的F-score为例。F-score使用三大类（盈利能力、财务情况、经营效率）9个指标来度量公司的基本面情况。F-score按照这9个指标的打分情况来划分股票，具体地说，公司每满足一个指标就得一分，满分为9分，最低分为0分，得分越高的公司，基本面情况越好。
将F-score和盈利指标BM或PE结合起来，可以发现估值高但基本面不好的股票，也可以发现估值低但基本面好的股票。利用这些定价异象，就可以获得更高的超额收益。具体地说，利用3*3的Fscore-BM分组，来构建相应的投资组合。3*3分组的左上角为被高估的股票（估值高、基本面不好），3*3分组的右下角为被低估的股票（估值低、基本面好的股票）。以这两个投资组合构建的自融资组合的收益
